一種性能指標值正常波動範圍的動態確定方法及其裝置的製作方法

2023-04-28 00:31:36 2

專利名稱：：一種性能指標值正常波動範圍的動態確定方法及其裝置的製作方法
技術領域：
：本發明涉及電信網絡管理領域，尤其涉及一種電信網絡性能的實時監控方法，具體涉及到電信網絡性能指標的波動範圍預測。
背景技術：
：隨著通信市場竟爭的日趨激烈，各大電信運營商先後提出了戰略轉型。傳統上，作為電信運營商的支撐部門所運作的運維管理，一直屬於業務流程的後臺部分，直接面向網絡和"i殳備的管理，與市場和客戶沒有直接的關係。而隨著市場竟爭的日益激烈，提升客戶對網絡服務的滿意度逐漸成為電信運營商提升市場竟爭能力的重要方面，因此運營商將直接面向網絡的管理轉為面向服務的管理迫在眉睫。未來的運維工作將逐漸走向前臺，運維工作與客戶感知之間的聯繫將越來越密切。由於用戶在使用網絡的過程中，不僅感知終端設備，還體驗了各種業務和網絡的服務能力，因此，為了改善客戶體驗，在網絡監控上針對以前的被動、事後解決問題方式，目前提出一種新的主動、事前的網絡監控技術，即以和用戶感知相關的網絡性能指標為監控對象，例如監控話務量、來話佔用次數、來話應答次數、來話接通率等性能指標，分析該性能指標在某時的實際值是否落在正常範圍內，如果溢出正常範圍，則會出現業務質量降低和網絡性能下降，可能存在網絡故障或網絡配置數據存在問題等，此時應發出實時性能告警警報，通知運維人員介入相關處理，加快問題的解決或避免問題出現，從而提高業務服務質量，改善用戶感知，減少用戶投訴。而正常範圍的設置一般來源於網絡運維經驗、網絡管理要求或者設備能力限制，設置的精確度決定了發出實時性能告警的準確性。如果設置範圍過窄(如上限取值過小、下限取值過大)可能導致誤報告警；範圍設置過寬(如上限取值過大、下限取值過小)又可能導致漏報告警，加大運維人員的工作量、影響運維人員的積極性，最終都會降低該網絡監控技術的作用。因此，在網絡性能指標的實時監控過程中，網絡性能指標的正常值基準線有效準確預測是一個關鍵問題。目前在性能監控指標的基準線的確定上，應用的方法一般包括排序法、理統計的方法等。排序法是指l)首先對有效數據進行排序，^暇定共有N*個，分別記為X1-XN*;2)假定有效數據的Y°/(如95%)為可以接受而不用產生告警的指標值，取中間的數字為正常波動區間；3)以其最大值作為基線上限BaseHigh，以其最小值作為基線的下限BaseLow。而數理統計的方法與排序算法類似，區別在於其95%的正常數據不是取正中間的，而是取方差最小的95%的連續數據。這兩種方法的優點是簡單易算，但對於具有周期性和趨勢性特點較強的動態性能指標來說，例如話務量、來話佔用次數、來話應答次數、來話接通率等指標，其指標會隨著時間的變化發生周期性、趨勢性特點，節假日的峰值特點使得在平日的話務量正常值範圍和節假日的話務量正常值範圍有很大的不同，這樣應用以上兩種方法確定性能指標預警基線就不夠精確，這一方面會導致性能告警的誤報，另一方面又存在該報的告警沒有報出來的情況，從而降低了主動性能監控技術的可用性。因此，本發明將時間序列的預測方法引入該領域來動態確定性能指標的預警基線和波動範圍，具體採用的方法是支持向量機建模及預測方法。目前也有提出將基於統計學習理論的支持向量機預測方法進行話務量的預測，見《科技創新導報》2008No.2中文章"支持向量機在電信話務量預測中的應用分析"，其中應用支持向量機對電信話務量的指標進行了預測分析。但其對支持向量機的自由參數的選擇並沒有給出新的方法，目前普遍採用的是使樣本校驗集的MSE最小，所述MSE(MeanSquaredError)是一個統計量，其含義是設在某集合中利用訓練模型的預測值為乂.(i=l...n)，而實際值為i=l...n)，則MS五=(凡-y.)2。這種方法存在的問題是，僅僅使已知樣本數據訓練集上的誤差最小，這與支持向量機模型中已得到很好驗證的結構風險最小化SRM(StructralRiskMinimization)原則相悖;另一個問題是，這種方法在應用於基於時間序列的性能指標的建模及預測時，對非平穩時間序列的樣本數據適用性不是很強。針對這種情況本發明提出一種新的支持向量機的自由參數選擇方法，更加適合非平穩時間序列預測的支持向量機模型選取，另外還給出預測值誤差的置信範圍，從而得到待預測時間點上的正常波動範圍。最後，利用該模型選取方法還給出了實時動態建模預測的機制。以下簡單介紹本發明一種性能指標波動範圍的確定方法及其裝置所用到的基本技術理論_支持向量機原理。支持向量機的最大特點是基於結構風險最小化(SRM-StructuralRiskMinimization)原則提出的，因其完備的理論基礎，近年來在模式識別(分類)和函數逼近方面得到廣泛關注。在函數逼近的應用方面，利用不同的核函數可進行線性、非線性系統的逼近，目前已被引入時間序列預測方面。支持向量機是由Vapnik及其同事在1995年提出的，建立在結構風險最小和VC維理論基礎上，解決了神經網絡在應用中存在的局部極小問題，網絡結構可完全通過計算自動確定；更重要的是為求得由經驗風險和置信區間綜合確定的期望風險最小為訓練目標，支持向量機模型有更好的泛化效果，被3見為替代神經網絡的較好方法。所述結構風險最小化(SRM)是統計學習理論中提出的訓練原則，與傳統統計學中的經驗風險最小原則(ERM)相對。傳統的統計理論的ERM原則是基於樣本容量無窮大的假設的，但在實際中可得到的樣本數總是有限的，比如基於ERM的BP神經網絡就會因此存在"過擬合，，的現象，因此用有P艮樣本數基於ERM原則進行預測的效果並不理想。針對這種情況，Vapnik等人提出新的統計學習理論，即不僅考慮經驗風險，還力求假設函數複雜度儘量小，以期獲得最小的期望風險上界，而不是單純的經驗風險最小，這一原則稱為結構風險最小化原則(SRM)。關於函數逼近的支持向量回歸機的原理是這樣的，利用訓練數據集進行建模，找到輸入向量\和輸出>^,的一個決策函數>^/"),使得期望風險函數最小，其中，x,.ei"，即屬於n維的向量空間，/為訓練樣本點數；即輸入參數為n維向量，而輸出為一個標量值。綜合考慮線性和非線性的所有情況，不妨令/(x)-(w.(D(x))+b，其中，0:i"->"，w為特徵空間的係數向量。這樣，/",本來是輸入向量空間上的非線性函數，但經過①(x)的映射後就變成在特徵空間H上的線性函數。用支持向量機的方法求解該回歸問題，不僅要使經驗損失值儘量小，同時還要考慮置信區間儘量小，以期得到最小的期望風險。在該方法中，採用的經驗損失函數為s-不敏感損失函數，而置信區間用||||2來衡量，用於表示決策函數模型的複雜度，則求解回歸問題就變為求解以下的不等式約束優化問題(以下s.t.代表約束條件)—W(W^)=^|W||24C.;^《)(1)乂-((w-^))+""+。、1,2,…,/i力(《,+^)為S-不敏感條件下的經驗損失，參數C為用於調節比重的懲罰參數，其作用是在經驗風險和模型複雜度之間取一折衷。為求解該不等式約束優化問題，利用Lagrange對偶原理。先對其Lagrange對偶問題即以下優化問題求aw:w.J(d)=o為了解決不易於確定的問題，以及即使確定出來在特徵空間計算時計算量太大以至出現維度災難等問題，引入了核函數《(x,，x》代替高維空間的內積運算來處理,使《(X,，X》^:("X》.^(X》)，解決了高維空間的複雜運算問題。根據Hilbert-Schimidt原理，只要一種運算滿足Mercer條件，它就可以作為核函數。用《(x"x》來代替式(2)中的(^(x》—(x》)。求得formulaseeoriginaldocumentpage0後，決策函數為formulaseeoriginaldocumentpage0(3)以上公式(3)是經過簡化的支持向量回歸機的回歸函數表達式。其中常值偏差b的值可由KKT(Karush-Kuhn—Tucker)條件來求得。因為只有(《-《.)-O時，x^才對/6^有影響，/(x)的值取決於這些輸入向量的值，所以這些向量也稱為支持向量。所述KKT條件，指的是對於如下約束優化問題min/0),jc-([4,…,[x]"fs.t.Ci(x)=0，i=l...q,其存在解的必要條件是formulaseeoriginaldocumentpage0。0O=Gj=l''"，該條件稱為條件。根據這一條件中的第4式or,("20formulaseeoriginaldocumentpage0formulaseeoriginaldocumentpage0可以知道當<#0時，c,(jc'):O即若Lagrange係數不為O則該點在邊界上，從而可求解相關函數參數。
發明內容本發明中將性能監控指標的正常值的基準線稱為預警基線。本發明的目的是提供一種性能指標值正常波動範圍的動態確定方法及其裝置，解決當前對網絡性能指標的正常波動範圍的動態預測的精準性問題，提出一種新的基於時間序列和支持向量機方法進行的網絡性能指標的正常波動範圍的動態預測。在選擇支持向量機的訓練模型時，將殘差白噪聲作為最優模型的選擇依據，可以根據殘差是白噪聲時符合正態分布的特點，得到預測誤差的在給定置信度下的置信區間，從而得到性能指標在待預測時間點上的正常波動範圍。本發明採用的技術方案如下一種性能指標值正常波動範圍的動態確定方法，包括步驟01)獲取網絡性能指標的歷史值，動態獲取最新的歷史樣本數據；02)對所述最新的歷史樣本數據進行預處理，獲得正常樣本數據；03)對所述正常樣本數據進行相空間重構，獲得訓練樣本數據；04)對所述訓練樣本數據進行訓練，以殘差白噪聲為依據來選取基於所述訓練樣本數據的最優支持向量初4莫型；05)使用所述最優支持向量機模型對待預測時間點上的數據進行預測，並利用殘差白噪聲符合正態分布的特性來計算置信區間，從而獲得所述待預測時間點上的性能指標值正常波動範圍。所述的性能指標預警基線的確定方法，還可以包括步驟06)檢驗所述最優支持向量機模型是否適用於下一個待預測時間點數據的預測，如果不適用則轉步驟01)以重新獲取樣本數據進行重新訓練，選取新的最優支持向量機才莫型，若適用則轉步驟05)直接進行下一個待預測時間點數據的預測。進一步地，對所述訓練樣本數據進行訓練，以殘差白噪聲為依據來選取支持向量初4莫型的過程包括A、設置支持向量機模型的自由參數值；B、根據所設置的自由參數值，按照結構風險最小化原則對訓練樣本數據進行訓練，獲得一個回歸方程式作為建模結果；c、將訓練樣本數據的實際值與所得回歸方程式下的計算值求差，得到擬合殘差序列，計算殘差序列的自相關函數；D、根據所述殘差序列的自相關函數計算結果，檢驗所述殘差序列是否為白噪聲序列，如果是，則所獲得的支持向量機訓練模型最優，保存並輸出該模型和對應的自由參數值；否則如果不是白噪聲序列，返回步驟A,重新設置自由參數的值，按照以上過程重新訓練，直到獲得最優的支持向量機模型。進一步地，計算性能指標的預警基線值及置信範圍的過程包括用所述最優的支持向量機訓練模型和對應的自由參數值進行一步預測，將得到的計算值作為待預測時間點上的預警基線值，計算該基線值在指定置信度下的置信區間，從而獲得在待預測時間點上的波動範圍。進一步地，檢驗所述最優支持向量機模型是否適用於下一個待預測時間點數據的預測過程是，計算下一個待預測時間點上的殘差，將其加入原殘差序列並更新為新殘差序列，若新殘差序列仍然是白噪聲序列，則所述最優支持向量機模型仍然適用下一個待預測時間點的數據預測，否則所述最優支持向量機模型不適用下一個待預測時間點的數據預測。本發明還提出一種性能指標值正常波動範圍的動態確定裝置，所述裝置包括，樣本數據獲取單元，用於獲取網絡性能指標的歷史值，動態獲取最新的歷史樣本數據；樣本數據預處理單元，用於對所述最新的歷史樣本數據進行預處理，得到正常樣本數據；訓練樣本數據獲取單元，用於對所述正常樣本數據進行相空間重構得到訓練樣本數據；模型選取單元，用於對所述訓練樣本數據進行訓練，用殘差白噪聲來選取基於所述訓練樣本lt據的最優支持向量機模型；性能指標波動範圍預測單元，使用所述最優支持向量機-漠型對待預測時間點上的數據進行預測，並利用白噪聲符合正態分布的特性計算誤差的置信區間，從而獲得所述待預測時間點上的性能指標值正常波動範圍。所述的性能指標值正常波動範圍的動態確定裝置還可以包括，模型繼續適用判斷單元，4僉驗所述最優支持向量機模型是否適用於下一個待預測時間點數據的預測，如果不適用則指示樣本數據獲取單元基於下一個待預測時間點重新獲取樣本數據以重新建模，若適用則轉到性能指標波動範圍預測單元預測下一個待預測時間點上的性能指標波動範圍。進一步地，所述模型選取單元可以包括，參數設置模塊，用於預置或調整支持向量機模型的自由參數值；訓練建模模塊，用於根據參數設置模塊所設置的自由參數值，按照結構風險最小化原則對訓練樣本數據進行優化訓練，獲得一個回歸方程式作為建模結果；殘差計算模塊，根據訓練建模模塊得到的回歸方程式計算訓練數據在該回歸方程式下的計算值，與訓練樣本數據獲取單元得到的樣本數據的實際值求差，得到擬合殘差序列，計算殘差序列的自相關函數；白噪聲檢驗及模型確定模塊，用於檢驗殘差計算模塊所計算殘差序列是否為白噪聲序列，如果是，則所確定的支持向量機模型最優，輸出設置的自由參數值和最優的支持向量機模型；否則轉到參數設置模塊，調整支持向量機模型的自由參數值，以重新訓練。進一步地，所述性能指標波動範圍預測單元可以包括，一步預測模塊，用所述最優支持向量機訓練模型和對應的自由參數值在待預測時間點進行一步預測，將得到的計算值作為待預測時間點上的性能指標預警基線值；置信區間計算模塊，計算所述性能指標預警基線值在指定置信度下的置信區間；波動範圍確定模塊，根據一步預測模塊得到的待預測時間點上的性能指標預警基線值，以及置信區間計算模塊得到的置信區間，確定在待預測時間點上的性能指標波動範圍。進一步地，所述模型繼續適用判斷單元可以包括，新殘差計算模塊，根據模型選取單元得到的最優支持向量機模型的回歸方程式，在下一個待預測時間點上計算該回歸方程式下的計算值，與訓練樣本數據獲取單元得到的樣本數據的實際值求差，將其加入原殘差序列並更新為新殘差序列，計算新殘差序列的自相關函數；白噪聲檢驗及重新建模判斷模塊，用於檢驗新殘差計算模塊所得到的新殘差序列是否為白噪聲序列，如果是，則所述最優支持向量機模型仍然適用下一個待預測時間點的數據預測，指示性能指標波動範圍預測單元預測下一個待預測時間點上的性能指標波動範圍，否則所述最優支持向量機模型不適用下一個待預測時間點的數據預測，指示樣本數據獲取單元基於下一個待預測時間點重新獲取樣本數據以重新建才莫。採用本發明所述的性能指標值正常波動範圍的確定方法，以殘差白噪聲為支持向量機模型的選擇依據進行動態建模，得到較準確的性能指標值正常波動範圍預測效果。同時，根據白噪聲一般符合正態分布的特點，可以得到性能指標值基線預測值在指定置信度下的置信區間，將預測值和置信區間結合就得到指標值的波動範圍，根據該範圍就可以判斷性能指標的實際值是否正常。在這一過程中，運維人員可以根據實際應用效果來選擇合適的置信度，如置信度為95%或97%甚至更大。該方法大大提高了性能監控預警基線預測的準確性，減少了性能告警的誤報和漏報。圖1為本發明中一種性能指標值正常波動範圍的動態確定方法的流程圖。圖2為本發明技術方案的實施例一所述的一種性能指標值正常波動範圍的動態確定方法的詳細實現流程圖。圖3為本發明中一種基於動態建模的性能指標值正常波動範圍的動態確定方法流程圖。圖4為本發明技術方案的實施例二所述的一種基於動態建;f莫的性能指標值正常波動範圍的動態確定方法的詳細實現流程圖。圖5為本發明技術方案的實施例三中所述的支持向量機訓練建模步驟中計算殘差序列的自相關函數的結果示意圖。圖6為本發明一種性能指標值正常波動範圍的確定裝置的結構示意圖。圖7為本發明一種基於動態建模的性能指標值正常波動範圍的動態確定裝置的結構示意圖。圖8為本發明技術方案的實施例四所述的一種性能指標值正常波動範圍的動態確定裝置的一種優化實現結構。圖9為本發明技術方案的實施例五所述的一種基於動態建模的性能指標值正常波動範圍的動態確定裝置的一種優化實現結構。具體實施方式本發明提出一種性能指標正常波動範圍的動態確定方法，用基於時間序列的支持向量機方法進行性能指標預警基線及波動範圍的預測過程如圖1所示，遵從以下步驟步驟S101:獲取網絡性能指標的歷史值，動態獲取最新的歷史樣本數據；步驟S102:對所述最新的歷史樣本數據進行預處理，獲得正常樣本數據；步驟S103:對所述正常樣本數據進行相空間重構，獲得訓練樣本數據；步驟S104:對所述訓練樣本數據進行訓練，以殘差白噪聲為依據來選取基於所述訓練樣本數據的最優支持向量機模型；步驟S105:使用所述最優支持向量機模型對待預測時間點上的數據進行預測，並利用殘差白噪聲符合正態分布的特性來計算置信區間，從而獲得所述^f寺預測時間點上的性能指標值正常波動範圍。根據以上步驟，參見圖2,給出本發明的實施例一詳細說明如下步驟S201:獲取網絡性能指標的歷史值，動態獲取最新的歷史樣本數據。從網絡性能指標庫中動態獲取基於時間點的性能指標歷史樣本數據，每個時間點最少選取過去一個月以上的歷史數據。按照經驗，少於一個月的數據一般難以保證統計結果的有效性，因此這一步需要保證獲取樣本數據的有效性。所述動態獲取的實現可以是，根據對性能指標的預測需求，定期或接受指示信息後從網絡性能指標庫中獲取最新歷史數據，存儲在最新歷史數據緩衝區中，保持該緩沖區數據的滾動更新。步驟S202:對所述最新的歷史樣本數據進行預處理，獲得正常樣本數據。對獲取的網絡性能指標最新歷史樣本數據，可以選擇進行以下三種方式的預處理過程，獲得正常樣本數據方式一，結合運維期間發現的故障、或者節々i日、重大事件等有關情況，確定異常時間點的樣本數據，並將異常點排除，保留反映變化規律的典型數據作為正常樣本數據。方式二，根據異常時間點的樣本數據佔整個樣本數據的比例，刪除最大和最小的數值，其餘作為正常樣本數據。方式三，基於歷史統計數據確定的正常數據比例，按照概率算法自動選出最為集中分布的數據作為正常樣本數據。步驟S203:對所述正常樣本數據進行相空間重構，獲得訓練樣本數據。對獲得的網絡性能指標正常樣本數據，進行相空間重構得到訓練集樣本佔formulaseeoriginaldocumentpage0設基於時間序列的樣本數據為"(1」，，…，x(7)，其中L../表示時間點，c(7)4示第/個時間點的性能指標值。時間序列預測即根據當前時間點f的歷史數據指標值形成的時間序列，，…，1」預測未來,^+y^/t〉o;時刻的{1^/+^，方法是利用xO+W與歷史數據,xdx(^-l」，…，xp-m+l」乂之間的關係。這個參數加稱為嵌入維數，/z/f直的確定是一個關鍵問題。這樣，當歷史數據包含/個樣本點數據時，進行相空間重構後得到訓練集的容量為(/-m)。formulaseeoriginaldocumentpage0x(/—附)相應的豐俞入向量x(/)對應的輸出為:KO:W+附)，展開如下:formulaseeoriginaldocumentpage0少(7—附)—柳.這樣，經過這個過程後，訓練集樣本點為G(/)，;KO),卜1…(Z-附)。在進行以上的相空間重構過程中，嵌入維數歷的確定是一個關4定要素，對能否達到預測的結果至關重要，嵌入維數的確定目前沒有標準的統一的方法，一般採用FPE的方法。FPE(FinalPredictionError)是相空間重構時確定維數的一種常用方法，其方法是設序列長度為/，試驗的嵌入維是/,則/+附1ZA^3(附)=《其中《=一乞(刑—x(,))2。計算曆在2開始的FPE值，會發現FPE先變小後變大的下凸曲線，該下凸曲線的極小值點的/z值即為最後選定嵌入維維數。步驟S204:對所述訓練樣本數據空間進行訓練，以殘差白噪聲為依據來選取基於所述訓練樣本數據的最優支持向量積4莫型；然後針對上一步獲得的訓練集樣本點進行以殘差為白噪聲為約束條件的SVM建模。這一步是本發明的關鍵。當支持向量機的參數確定後，支持向量機的模型就可以通過前述的公式(1)至公式(3)計算自動確定。不同的自由參數將自動計算出不同的決策函數模型。從式(1)可知，這些自由參數包括f-不敏感損失函數中的參數e、懲罰(正則)參數C以及核函數的參數。比如我們採用得最多的高斯徑向基核核函數《(^^)=^*—x;l1〗〉0,其中參數y就是核函數參數。在這些參數如何選擇能達到最好的建模效果問題上，目前沒有結構化的方法，普遍採用的是交叉驗證法和校驗集的誤差最小的方法。但交叉驗證法是從分類問題借鑑過來的，效果並不好。而在訓練集之外提供一個校驗集的方法也存在問題，一個問題是，這個方法採用的還是傳統的統計思想使已知訓練集上的誤差最小，這與SVM中已得到很好驗證的統計學習理論提出的SRM(StructralRiskMinimization)相悖；另一個問題是，這種方法在應用於時間序列建模及預測時，對非平穩時間序列不是很適用。基於時間序列訓練樣本的建模和利用普通的訓練樣本的建模有一個很大的不同普通的訓練集中的樣本點都是獨立的，而在時間序列的訓練樣本點上通過相空間重構而形成的訓練集中，訓練樣本點的目標值間存在著很大的相關性。筒單地說，訓練的目標，就是要找到一個函數，將其中的相關性信息提煉出來，剩餘的殘差應該是無法進一步提煉相關性信息的白噪聲/(JC)=e。其中/0)代表訓練樣本點的目標值，/(X)代表由相關性信息確定的模型的預測值，f代表殘差，是無法進一步提煉相關性信息的白噪聲序列。殘差是指回歸方程式的預測值和實際值的差距6=7,.-^,預測值為樣本數據在回歸方程式下的計算值，實際值為實際樣本數據值。一個時間序列如果是純隨機的，即任意〉0的滯後階數的相關係數都為0(當然滯後階數為0時相關係數為1)，這個隨機序列就是白噪聲。因為其譜密度為自相關係數的付氏變換，則此種隨機序列譜密度為均勻的，這和白色的光譜一樣，故稱白噪聲。基於這一點，在用支持向量機進行訓練樣本的擬合時，可以直接以所得訓練模型對訓練樣本的擬合殘差是否為白噪聲序列來決定回歸方程式導出的訓練模型是否最優。如果不是白噪聲，說明要麼擬合不夠，原時間序列中還有相關性的信息沒有提取出來；要麼出現過擬合，一些信息多提取了導致殘差出現偽相關。白噪聲的驗證方法是如果一個時間序列滿足Z,,(0，一)，則Z,的j階自相關係數有GA^O,丄)。所以—驗證訓練集殘差為白噪聲的方法就是，計算其各階相關係數是否為零，或者說是否不是顯著非零，只有當各階相關係數都不是顯著非零才接受殘差為白噪聲的假設。一般採用的置信度是95%來檢驗該階滯後係數是否顯著非零，即若存在自相關係數滿足^〉^則r顯著非零，表示該殘差不是白噪聲。當然，當階數太高，其計算結果可能失去意義，一般認為檢查至i或；就可以了。基於這一點，在用支持向量機進行訓練樣本的數據擬合訓練時，可以直接以所得訓練模型對訓練樣本的擬合殘差序列是否為白噪聲序列來決定模型是否最優。如果不是白噪聲，說明要麼擬合不夠，原時間序列中還有相關性的信息沒有提取出來；要麼出現過擬合，一些信息多提取了導致殘差出現偽相關。因此，通過如下步驟實現對所述訓練樣本數據空間進行數據擬合，用殘差白噪聲來選取支持向量才/L^莫型。步驟S2041、設置或調整支持向量初」漠型的自由參數值。步驟S2042、根據所設置的自由參數值，按照結構風險最小化原則對訓練樣本數據進行訓練建模，獲得一個回歸方程式M(i)作為建模結果。步驟S2043、將訓練樣本數據的實際值與所得回歸方程式M(i)下的計算值求差，得到殘差序列，計算殘差序列的自相關函數。步驟S2044、根據所述殘差序列的自相關函數計算結果，檢查所述殘差序列是否為白噪聲序列，如果是，則所獲得的支持向量機訓練模型最優，輸出該最優的支持向量機模型M(i)和對應的自由參數值，轉步驟S205;否則如果不是白噪聲序列，返回步驟S2041，重新設置自由參數的值，按照以上過程重新進行訓練，直到獲得最優的支持向量機訓練模型。步驟S205:使用所述最優支持向量機模型對待預測時間點上的數據進行預測，獲得所述待預測時間點上的性能指標值正常波動範圍。利用得到的最優支持向量機模型對未來待預測時間點的指標值進行一步預測，並計算置信區間。用所述的最優支持向量機訓練模型和對應的自由參數進行一步預測，所述一步預測是指，以訓練樣本中的樣本數據粒度間隔為步的單位預測下一個單位的同粒度的數據，如訓練樣本中的數據是以今天以前的1天為間隔的每天上午9:00的數據，一步預測指預測明天上午9:00的數據。所述一步預測的輸入是指待預測時間點之前的m個時間點數據形成的m維輸入向量，利用得到的模型進行計算，將得到的計算值作為待預測時間點上的性能指標預警基線值，並計算該基線值在指定置信度下的置信區間和在未來時刻的波動範圍。置信區間的估計過程是這樣的如果一個時間序列上的樣本點滿足白噪聲序列即z,~肌v(o，a2),則一般認為其符合正態分布，(T為殘差的標準差，。根據正態分布表，可計算在支持向量機訓練模型下計算出的預測值在指定置信度下的置信區間為(formulaseeoriginaldocumentpage0)，如若"=0.05,即置信度、/2為95%,則其置信區間為formulaseeoriginaldocumentpage0),若"=0.03即置信度為97%,則其置信區間為formulaseeoriginaldocumentpage0。根據性能指標的預警基線值和該基線值在指定置信度下的置信區間，即可得到未來時刻的波動範圍。另外，本發明還提出了一種基於在線動態訓練建模的性能指標值正常波動範圍動態確定的方法，可以通過動態建^f莫的方式達到連續地預測待預測時間點上的性能指標值。該方法認為，在一段時間內一個序列是平穩的，這種情況下已有模型可直接用於新的指標值和波動範圍的預測。基於此，該在線動態建模方法在重新訓練前，首先檢查原模型是否可以繼續適用，檢查方法是將新的誤差加入原殘差序列，若仍然是白噪聲，則認為已有模型仍然適用新的預測。只有當新的殘差序列不再滿足白噪聲的假設時才進行重新訓練和重新建模。使用該動態建模方法，可極大減少系統的訓練建模負荷，提高預測的效率。所述的基於動態訓練建模的性能指標值正常波動範圍動態確定方法的實現步驟是，在前述的步驟S101至S105基礎上，還包括步驟S106,參見圖3所示，描述如下步驟S101:獲取網絡性能指標的歷史值，動態獲取最新的歷史樣本數據；步驟S102:對所述最新的歷史樣本數據進行預處理，獲得正常樣本數據；步驟S103:對所述正常樣本數據進行相空間重構，獲得訓練樣本數據；步驟S104:對所述訓練樣本數據進行訓練，用殘差白噪聲來選取基於所述訓練樣本數據的最優支持向量機模型；步驟S105:使用所述最優支持向量機模型對待預測時間點上的數據進行預測，並利用殘差白噪聲符合正態分布的特性來計算置信區間，從而獲得所述待預測時間點上的性能指標值正常波動範圍；步驟S106:檢驗所述最優支持向量機模型是否適用於下一個待預測時間點數據的預測，如果不適用則轉步驟SIOI，重新獲取樣本數據進行重新訓練，選取新的最優支持向量積4莫型，若適用轉步驟S105,進行下一個待預測時間點數據的預測。因此，為清楚地說明以上步驟，參見圖4,在實施例一的基礎上給出本發明的實施例二，實現步驟陳述如下步驟S201至步驟S205的實現過程同實施例一，不再贅述。步驟S206:檢驗所述最優支持向量機模型是否適用於下一個待預測時間點數據的預測，如果不適用則轉步驟S201，重新獲取樣本數據進行重新訓練，選取新的最優支持向量機模型，若適用轉步驟S205,進行下一個待預測時間點數據的預測。根據實際應用需求，性能指標的預測需要進行多次，例如今天預測明天的話務量波動範圍，明天預測後天的話務量波動範圍，理論上應該要用更新的樣本數據空間來建模並預測，但從實用角度出發，為了提高預測效率，減少訓練次數，也可以在當前的最優模型基礎上，先檢驗當前最優模型是否適用繼續預測，如果不適用，才重新建模訓練。#企驗的方法是，每次根據待預測時間點在當前回歸方程式下的計算值與實際值，計算新的殘差e,=^-a加入原來的殘差序列，進行白噪聲檢驗，若是白噪聲序列則表示使用當前回歸方程式所約束的模型仍然適用該時間序列，當前的最優支持向量機模型可以繼續用於下次預測，如果不是白噪聲序列，則轉步驟S201。另外，除了一步預測的方法，還可以選擇進行多步預測，但支持向量機的模型解析式(見
背景技術：
中式(3))很複雜，是非線性的，所以多步預測時預測誤差很難象ARMA算法那樣用解析式表達，故本發明採用一步預測方法，以Y更同時計算預測值的置信度為1-"置信區間。所述ARMA(AutoRegressionMovingAverage)算法即自回歸滑動平均法，是一種常用時間序列預測方法，但其僅適用於線性平穩時間序列建模及預測。為了達到更好的建模效果，本發明還給出一個更為優化的實施例三來說明，如下所述。本發明實施例三與上述實施例二的實現步驟類似，但S204中採用支持向量機回歸算法的一個分支卜sra,在該類支持向量機中不用直接設e的值，而是通過設v的值來自動計算調整f的值，v代表SVR中在f帶外的點的份額的上界，或者說是錯誤樣本個數佔總樣本個數份額的上界，介於0到1之間。這樣，需要設定的參數是y、C和v。調整這幾個參數的值來使得模型對訓練樣本的擬合殘差為白噪聲可編程實現，卜SM和f—sra的算法公式類似，解法基本相同，由於篇幅原因在此不對算法再作進一步介紹，請參見由鄧乃揚、田英傑編著的《數據挖掘中的新方法-支持向量機》中關於卜sra的介紹(北京科學出版社，2004.ISBN7-03-013281-5)書中的6.3節。以下是該實施例的具體實現步驟(1)從某省某交換機的管理資料庫中，動態獲取連續的話務量數據。取2007年3月1日開始的連續160天的運營話務量數據，截取每天上午9:00的數據，原始數據如下列表l所示。表l:某MSC連續160天的每天9:00話務量數據，單位為愛爾蘭tableseeoriginaldocumentpage0間點的話務故障發生信息，因此，這一步不再對以上樣本數據進行預處理，這些數據將作為正常樣本數據。(3)由於話務量數據具有以一周7天為單位的周期性特點，採用FPE方法計算出嵌入維數111=7，依此對上述數據進行時間序列的相空間重構。前160個數據為訓練集，後面的數據是測試集，用於準備測試後面步驟中模型確定之後的模型有效性。(4)對2007-3-19:00到2007-8-79:00形成的樣本點數據為7維的訓練數據進行支持向量機訓練建模，並以殘差為白噪聲作為模型選擇的依據。a)初始化支持向量機模型的自由參數值g=0，c=0，v=0.1;〃c代表懲罰參數，g即為^代表核函數的參數b)設置或調整支持向量枳4莫型的自由參數值g=g+0.1;〃設置參數r的循環遞增調整值；c)設置或調整支持向量積4莫型的自由參數值c^+l;〃設置參數C的循環遞增調整值；d)在當前的g、c、v值下用SMO算法求解二次優化問題7>式(2)，求出自由參數後得到公式(3)的一個支持向量機訓練模型M(i);e)用模型M(i)對訓練集樣本點進行訓練擬合，得到計算值;/),/=1...(/-附)，將訓練樣本數據的實際值與回歸方程式M(i)下的計算值求差，然後求得各訓練集樣本點的殘差￡,.=^-X，i-l…〃-m義得到殘差序列；f)計算殘差序列的自相關函數，如圖5所示，計算階悽t取20,即為圖中的牙黃坐標取值1至20，如果計算自相關係數滿足下式；<_^1=^=1...77^,則自V/—附相關係數接近於O,意味著殘差序列是白噪聲，如圖5所示縱坐標為相關係數的計算值，所示計算出的20個自相關係數介於圖中兩條橫線之間；g)根據所述殘差序列的自相關函數計算結果，檢驗所述殘差序列是否為白噪聲序列，若殘差是白噪聲，則停止循環，如圖5為g-0.7，c-1673時的殘差序列自相關係數，首次檢驗到使殘差為白噪聲成立的自由參數值g=0.7，c=1673，則所獲得的支持向量機訓練模型M(i)最優，保存並輸出所述最優的支持向量機訓練模型M(i)和所對應的自由參數值g-O.7,c=1673。否則，若c^C^(懲罰參數的最大值),則轉入c)繼續調整參數C,本實施例中c^-2000，若。c皿ig<=Gmax(核函數參數的最大值)則轉入b)繼續調整參數g。(5)進行一步預測並計算預測值的置信區間和未來^f寺測時間點的波動範圍。對第161天的數據即2007-8-89:00的話務量進行一步預測，預測值y(161)為2301.3，殘差的標準差為0"=52.9,故在置信度為95%的情況下置信區間為(2301.3-103.68,2301.3+103.68)=(2197.42，2404.98),由表1知，2007-8-89:00的話務量實際值為2228.08，落在置信區間內，說明預測值是比較可信的。(6)檢驗所述最優支持向量機模型是否適用於下一個待預測時間點數據的預測，如果不適用則轉步驟(1),重新取樣本數據重新訓練，選取新的最優支持向量機模型，若適用轉步驟(5),進行下一個待預測時間點數據的預測。計算新的時間點在2007-8-89:00的殘差是73.22，加入原殘差序列並檯r驗新殘差序列是否為白噪聲，若新殘差仍然是白噪聲，則表明原模型M(i)仍然適用於下一個待預測時間點2007-8-99:00話務量^b悟的預測，時間序列基本平穩，轉入(5)可計算新的預測值及置信區間估計，獲得2007-8-99:00話務量數據的正常波動範圍。否則需重新訓練模型。重複這一過程，直到2007-9-7，利用2007-3-1到2007-8-7所建立的模型一直適用，只是在計算了2007-8-7的誤差後再進行新的白噪聲檢驗時才發現此時已不滿足白噪聲假設，所以需要重新訓練。2007-8-8到2007-9-7的預測結果如表2-1至表2-3所示。表2-1白噪聲限制支持向量機的預測值與實際值對比表tableseeoriginaldocumentpage0表2-2白噪聲限制支持向量機的預測值與實際值對比表tableseeoriginaldocumentpage26表2-3白噪聲限制支持向量機的預測值與實際值對比表tableseeoriginaldocumentpage26將2007-9-7的話務量計算的殘差加入原殘差序列後，發現已不是白噪聲序列。所以需要重新訓練，訓練數據為2007-4-19:00:00到2007-9-79:00:00的160個數據，重複以上過程(4),在g—.7，c=306，n=0.l時殘差序列為白噪聲，2007-9-8預測值為2188.4,殘差標準差o"遞7，實際值2084.79落在置信度為95%的置信範圍內。並且該模型在後面的較長時間內適用。由表2可以看出，預測的相對誤差在10%以內，預測比較準確，而且因為這段時間網絡正常，所以實際值全部落在置信區間內。而且當時間序列出現不平穩特性後，模型會及時被重新訓練，實現了高效動態的話務量預測。本發明還提供了一種性能指標值正常波動範圍的動態確定裝置，以執行上述方法流程。圖6示出了該裝置結構示意圖。該裝置主要包括樣本數據獲取單元101，樣本數據預處理單元102,訓練樣本獲取單元103，模型選取單元104和性能指標波動範圍預測單元105。同時，本發明還提出了一種基於動態建模的性能指標值正常波動範圍的動態確定裝置，參見圖7，包括樣本數據獲取單元101，樣本數據預處理單元102,訓練樣本獲取單元103,模型選取單元104，性能指標波動範圍預測單元105,以及模型繼續適用判斷單元106。參見圖8,作為本發明技術方案的實施例四，說明性能指標值正常波動範圍的動態確定裝置的一種優化實現結構。樣本數據獲取單元101，用於獲取網絡性能指標的歷史值，動態獲取最新的歷史樣本數據。該單元^^人網絡性能指標庫107中動態獲取基於待預測時間點的性能指標歷史樣本數據，每個時間點最少選取過去一個月以上的歷史數據，按照經驗，少於一個月的數據一般難以保證統計結果的有效性。所述動態獲取的實現可以是，根據對性能指標的預測需求，定期或接受指示信息後從網絡性能指標庫中獲取最新歷史數據，存儲在最新歷史數據緩衝區中，保持該緩衝區數據的滾動更新。樣本數據預處理單元102,用於對所述最新的歷史樣本lt據進行預處理，得到正常樣本數據。可以選擇以下三種方式進行預處理過程方式一，根據運維故障管理系統中所顯示的異常時間點，排除異常時間點的樣本數據，保留反映變化規律的典型數據作為正常樣本數據；方式二，才艮據異常時間點的樣本數據佔整個樣本數據的比例，刪除最大和最小的數值，其餘作為正常樣本數據；方式三，基於歷史統計數據確定的正常數據比例，按照概率算法自動選出最為集中分布的數據作為正常樣本數據。訓練樣本獲取單元103,用於對所述正常樣本數據進行相空間重構得到訓練樣本數據。可以包括嵌入維數確定模塊1031,用於根據FPE方法確定重構相空間的嵌入維數；還包括相空間重構模塊1032，用於對所述正常樣本數據進行相空間重構，得到訓練樣本數據。過程同實施例一的步驟203中所述，27不再贅述。模型選取單元104,用於對所述訓練樣本數據進行訓練，用殘差白噪聲來選取基於所述訓練樣本數據的最優支持向量機模型。可以進一步包括如下四個;f莫塊參數設置模塊1041,用於預置或調整支持向量機模型的自由參數值；訓練建模模塊1042,用於根據參數設置模塊所設置的自由參數值，按照結構風險最小化原則對訓練樣本數據進行優化訓練，獲得一個回歸方程式作為建模結果；殘差計算模塊1043，根據訓練建模模塊得到的回歸方程式計算該回歸方程式下的計算值，與訓練樣本數據獲取單元得到的樣本數據的實際值進行比較求差，得到殘差序列，計算殘差序列的自相關函數；白噪聲檢驗及模型確定模塊1044,用於檢查殘差計算模塊所計算殘差序列是否為白噪聲序列，如果是，則所確定的支持向量機^^莫型最優，輸出該最優的支持向量枳4莫型和對應的自由參數值，指示性能指標波動範圍預測單元105完成對待預測時間點的數據預測；否則指示參數設置才莫塊1041調整支持向量機模型的自由參數值準備重新訓練。性能指標波動範圍預測單元105，接受指示預測的信息後，使用白噪聲檢驗及模型確定模塊1044獲得的最優支持向量機模型，在待預測時間點上進行數據預測，並利用殘差白噪聲符合正態分布的特性來計算置信區間，從而獲得所述待預測時間點上的性能指標值正常波動範圍。可以通過如下三個模塊來實現一步預測模塊1051,使用白噪聲檢驗及模型確定模塊1044獲得的最優支持向量機訓練模型和對應的自由參數值，在待預測時間點進行一步預測，將得到的計算值作為待預測時間點上的性能指標預警基線值；置信區間計算模塊1052,計算所述性能指標預警基線值在指定置信度下的置信區間；波動範圍確定模塊1053，根據一步預測模塊得到的待預測時間點上的性能指標預警基線值，以及置信區間計算模塊得到的置信區間，確定在待預測時間點上的波動範圍。參見圖9,作為本發明技術方案的實施例五，說明基於動態建模的性能指標值正常波動範圍的動態確定裝置的基本實現結構。在實施例四的實現技術方案基礎上，添加^t型繼續適用判斷單元106,用於檢驗所述最優支持向量機是否適用於下一個待預測時間點數據的預測，如果不適用則指示樣本數據獲取單元101基於下一個待預測時間點重新獲取樣本數據以重新建^^莫，若適用則指示性能指標波動範圍預測單元105繼續預測下一個待預測時間點上的性能指標波動範圍。所述模型繼續適用判斷單元106可以進一步包括，新殘差計算模塊1061,根據模型選取單元得到的最優支持向量機模型的回歸方程式，在下一個待預測時間點上計算該回歸方程式下的計算值，與訓練樣本數據獲取單元得到的樣本數據的實際值求差，將其加入原殘差序列並更新為新殘差序列，計算新殘差序列的自相關函數。白噪聲檢驗及重新建模判斷模塊1062，用於檢驗新殘差計算模塊所得到的新殘差序列是否為白噪聲序列，如果是，則所述最優支持向量初4莫型仍然適用下一個待預測時間點的悽t據預測，指示性能指標波動範圍預測單元105預測下一個待預測時間點上的性能指標波動範圍，否則所述最優支持向量機模型不適用下一個待預測時間點的數據預測，指示樣本數據獲取單元101基於下一個待預測時間點重新獲取樣本數據以重新建^f莫。需要說明的是，以上所述僅是本發明的優選實施方式，應當指出，對於本
技術領域：
的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應3見為本發明的保護範圍。權利要求1.一種性能指標值正常波動範圍的動態確定方法，其特徵在於，所述方法包括步驟01)獲取網絡性能指標的歷史值，動態獲取最新的歷史樣本數據；02)對所述最新的歷史樣本數據進行預處理，獲得正常樣本數據；03)對所述正常樣本數據進行相空間重構，獲得訓練樣本數據；04)對所述訓練樣本數據進行訓練，以殘差白噪聲為依據來選取基於所述訓練樣本數據的最優支持向量機模型；05)使用所述最優支持向量機模型對待預測時間點上的數據進行預測，並利用殘差白噪聲符合正態分布的特性來計算置信區間，從而獲得所述待預測時間點上的性能指標值正常波動範圍。2、根據權利要求l所述的性能指標值正常波動範圍的動態確定方法，其特徵在於，還包括步驟06)檢驗所述最優支持向量機模型是否適用於下一個待預測時間點數據的預測，如果不適用則轉步驟01)以重新訓練，選取新的最優支持向量積4莫型，若適用則轉步驟05)直接進行下一個待預測時間點數據的預測。3、根據權利要求1或2所述的性能指標值正常波動範圍的動態確定方法，其特徵在於，對所述訓練樣本數據進行訓練，以殘差白噪聲為依據來選取支持向量枳4莫型的過程包括A)設置支持向量枳4莫型的自由參數值；B)根據所設置的自由參數值，按照結構風險最小化原則對訓練樣本數據進行訓練，獲得一個回歸方程式作為建模結果；C)將訓練樣本數據的實際值與所得回歸方程式下的計算值求差，得到擬合殘差序列，計算殘差序列的自相關函數；D)根據所述殘差序列的自相關函數計算結果，檢驗所述殘差序列是否為白噪聲序列，如果是，則所獲得的支持向量機訓練模型最優，保存並輸出該模型和對應的自由參數值；否則如果不是白噪聲序列，返回步驟A,重新設置自由參數的值，按照以上過程重新訓練，直到獲得最優的支持向量機模型。4、根據權利要求3所述的性能指標值正常波動範圍的動態確定方法，其特徵在於，獲得所述待預測時間點上的性能指標值正常波動範圍的過程包括用所述最優的支持向量機訓練才莫型和對應的自由參數值進行一步預測，將得到的計算值作為待預測時間點上的性能指標預警基線值，計算該基線值在指定置信度下的置信區間，從而獲得在待預測時間點上的波動範圍。5、根據權利要求4所述的性能指標值正常波動範圍的動態確定方法，其特徵在於，檢驗所述最優支持向量機模型是否適用於下一個待預測時間點數據的預測過程是，計算下一個待預測時間點上的殘差，將其加入原殘差序列並更新為新殘差序列，若新殘差序列仍然是白噪聲序列，則所述最優支持向量機模型仍然適用下一個待預測時間點的數據預測，否則所述最優支持向量機模型不適用下一個待預測時間點的數據預測。6、一種性能指標值正常波動範圍的動態確定裝置，其特徵在於，所述裝置包括，樣本數據獲取單元，用於獲取網絡性能指標的歷史值，動態獲取最新的歷史樣本數據；樣本數據預處理單元，用於對所述最新的歷史樣本數據進行預處理，得到正常樣本數據；訓練樣本數據獲取單元，用於對所述正常樣本數據進行相空間重構得到訓練樣本數據；模型選取單元，用於對所述訓練樣本數據進行訓練，用殘差白噪聲來選取基於所述訓練樣本數據的最優支持向量機模型；性能指標波動範圍預測單元，使用所述最優支持向量機模型對待預測時間點上的數據進行預測，並利用白噪聲符合正態分布的特性計算誤差的置信區間，從而獲得所述待預測時間點上的性能指標值正常波動範圍。7、根據權利要求6所述的性能指標值正常波動範圍的動態確定裝置，其特徵在於，所述裝置還包括，模型繼續適用判斷單元，檢驗所述最優支持向量機模型是否適用於下一個待預測時間點數據的預測，如果不適用則指示樣本數據獲取單元基於下一個待預測時間點重新獲取樣本數據以重新建模，若適用則轉到性能指標波動範圍預測單元預測下一個待預測時間點上的性能指標波動範圍。8、根據權利要求6或7所述的性能指標值正常波動範圍的動態確定裝置，其特徵在於，所述才莫型選取單元進一步包括，參數設置模塊，用於預置或調整支持向量機模型的自由參數值；訓練建模模塊，用於根據參數設置模塊所設置的自由參數值，按照結構風險最小化原則對訓練樣本數據進行優化訓練，獲得一個回歸方程式作為建模結果；殘差計算模塊，根據訓練建模模塊得到的回歸方程式計算訓練數據在該回歸方程式下的計算值，與訓練樣本數據獲取單元得到的樣本數據的實際值求差，得到擬合殘差序列，計算殘差序列的自相關函數；白噪聲檢驗及模型確定模塊，用於檢驗殘差計算模塊所計算殘差序列是否為白噪聲序列，如果是，則所確定的支持向量機模型最優，輸出設置的自由參數值和最優的支持向量機模型；否則轉到參數設置模塊，調整支持向量才;i4莫型的自由參數值，以重新訓練。9、根據權利要求8所述的性能指標值正常波動範圍的動態確定裝置，其特徵在於，所述性能指標波動範圍預測單元進一步包括，一步預測模塊，用所述最優支持向量機訓練模型和對應的自由參數值對待預測時間點數據進行一步預測，將得到的計算值作為待預測時間點上的性能指標預警基線值；置信區間計算模塊，計算所述性能指標預警基線值在指定置信度下的置信區間；波動範圍確定模塊，根據一步預測模塊得到的待預測時間點上的性能指標預警基線值，以及置信區間計算模塊得到的置信區間，確定在待預測時間點上的性能指標波動範圍。10、根據權利要求9所述的性能指標值正常波動範圍的動態確定裝置，其特徵在於，所述模型繼續適用判斷單元進一步包括，新殘差計算模塊，根據模型選取單元得到的最優支持向量機模型的回歸方程式，在下一個待預測時間點上計算該回歸方程式下的計算值，與訓練樣本數據獲取單元得到的樣本數據的實際值求差，將其加入原殘差序列並更新為新殘差序列，計算新殘差序列的自相關函數；白噪聲檢驗及重新建模判斷模塊，用於檢驗新殘差計算模塊所得到的新殘差序列是否為白噪聲序列，如果是，則所述最優支持向量機模型仍然適用下一個待預測時間點的數據預測，指示性能指標波動範圍預測單元預測下一個待預測時間點上的性能指標波動範圍，否則所述最優支持向量機模型不適用下一個待預測時間點的數據預測，指示樣本數據獲取單元基於下一個待預測時間點重新獲取樣本數據以重新建衝莫。全文摘要本發明公開了一種性能指標值正常波動範圍的動態確定方法，包括步驟獲取網絡性能指標的歷史值，動態獲取最新的歷史樣本數據；進行預處理，獲得正常樣本數據；進行相空間重構，獲得訓練樣本數據；進行訓練建模，以殘差白噪聲作為選取最優支持向量機模型的條件；使用所述最優支持向量機模型對待預測時間點上的數據進行預測，並計算預測值的置信區間從而獲得性能指標值正常波動範圍；檢驗所述最優支持向量機模型是否適用於下一個待預測時間點數據的預測，如果不適用進行重新訓練。同時本發明還公開了一種性能指標值正常波動範圍的動態確定裝置。本發明大大提高了性能動態監控預警的準確性，減少了性能告警的誤報和漏報。文檔編號H04L12/26GK101267362SQ20081009791公開日2008年9月17日申請日期2008年5月16日優先權日2008年5月16日發明者於豔華申請人:億陽信通股份有限公司